Semplifica il modello con i p-value
Leonardo da Vinci diceva: "La semplicità è l'estrema sofisticazione." Vale anche per il modeling in data science. In questo esercizio metterai in pratica l'uso dei p-value per decidere la necessità dei parametri del modello e definire un modello parsimonioso senza parametri non significativi.
L'ipotesi nulla è che il valore del parametro sia zero. Se il p-value è maggiore di un dato livello di confidenza, non puoi rifiutare l'ipotesi nulla: significa che il parametro non è statisticamente significativo e quindi non necessario.
Un modello GARCH è stato definito e stimato sui rendimenti di Bitcoin. Il risultato del modello è salvato in gm_result.
Questo esercizio fa parte del corso
Modelli GARCH in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Print model fitting summary
print(gm_result.____())
# Get parameter stats from model summary
para_summary = pd.DataFrame({'parameter':gm_result.____,
'p-value': gm_result.____})
# Print out parameter stats
print(____)